| 中文摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究目的和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 运动目标检测技术的发展现状 | 第11-12页 |
| 1.2.2 运动目标跟踪技术的发展现状 | 第12-14页 |
| 1.3 论文主要内容和结构安排 | 第14-16页 |
| 第2章 论文基础理论知识 | 第16-29页 |
| 2.1 背景建模与更新算法 | 第16-20页 |
| 2.1.1 基于时间轴滤波的背景建模 | 第16-18页 |
| 2.1.2 基于核密度的背景建模 | 第18-19页 |
| 2.1.3 单高斯背景建模 | 第19-20页 |
| 2.2 Meanshift 算法 | 第20-23页 |
| 2.3 卡尔曼滤波算法 | 第23-28页 |
| 2.3.1 卡尔曼滤波器的原理 | 第24-25页 |
| 2.3.2 卡尔曼滤波器的计算模型 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于自适应混合高斯背景建模的运动目标检测 | 第29-51页 |
| 3.1 引言 | 第29-30页 |
| 3.2 混合高斯背景建模的原理 | 第30-34页 |
| 3.3 混合高斯模型中的参数对背景建模的影响 | 第34-40页 |
| 3.3.1 经典算法的缺点 | 第34-36页 |
| 3.3.2 混合高斯模型中的典型参数对背景建模的影响 | 第36-40页 |
| 3.4 基于 AGMM 算法的运动目标检测 | 第40-46页 |
| 3.4.1 参数更新率自适应算法 | 第40-42页 |
| 3.4.2 高斯分布数自适应算法 | 第42-44页 |
| 3.4.3 AGMM 算法 | 第44-46页 |
| 3.5 图像形态学滤波 | 第46-47页 |
| 3.6 实验结果及分析 | 第47-50页 |
| 3.7 本章小结 | 第50-51页 |
| 第4章 基于 Kalman-Meanshift 算法的运动目标跟踪 | 第51-67页 |
| 4.1 前言 | 第51-53页 |
| 4.2 Kalman-Meanshift 目标跟踪算法 | 第53-61页 |
| 4.2.1 目标检测与特征提取 | 第53-55页 |
| 4.2.2 改进的 Meanshift 算法 | 第55-57页 |
| 4.2.3 本文提出 Kalman-Meanshift 算法 | 第57-61页 |
| 4.3 实验结果及分析 | 第61-66页 |
| 4.4 本章小结 | 第66-67页 |
| 总结与展望 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 攻读学位期间发表的学术论文 | 第75-76页 |
| 致谢 | 第76页 |
